返回
Standard candle based distance estimation with learning algorithms
DOI:10.1016/j.ascom.2025.101044.png)
摘要
En 中文
测量恒星和星系等天体的距离,对于表征它们的物理性质、形成和演化至关重要,并为宇宙的膨胀率提供了基本约束。在本工作中,我们介绍了一项方法论研究,比较了多种机器学习和深度学习方法,用于预测天文物理参数——如视差、基于天体测量的光度以及距离——使用来自Gaia DR3星表的造父变星和RR Lyrae样本作为输入。同时,我们介绍了一个框架,用于利用INAF-OATo的历史照相底片档案。在此背景下,我们从底片中提取一个天体目录,然后将输出源与Gaia数据集进行交叉匹配,目标是延长光变曲线,可作为模型的额外输入。初步结果识别出高斯过程回归器是在测试模型中表现最佳的模型,而多层感知器(MLP)是最有前景的深度学习方法。我们进一步研究了不确定性的传播,使我们能够将它们同时纳入模型和预测中。对于底片分析,我们选择了一个包含43个与Gaia星表共有的造父变星的LMC天区的图像作为第一个案例研究,以验证我们的方法。
Keyword:
Gaia DR3
Standard candles
Machine learning
Image processing
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
1.8
论文数:
91
被引数:
0
机构
引用论文
Development and application of high-precision multifunction astronomical plate digitizers in China中国高精度多功能天文底片扫描仪的开发与应用

